会自己干活的分析框架，
并且证明自己真的干了。

现在做生信的人手边有几十个 skill 和平台，「不用写代码、自动跑分析」已经不是差异——大家都这么说。bio-analyze 的位置在另一件事上：技能库教 AI「怎么做对」，它要证明「AI 真的做了，而且没骗你」。这个区别在结果不好看、数据下载失败、AI 想抄近道的时候才显出来，而这些时候恰恰决定一篇论文能不能投。

广度上它不占优，也不打算比：技能库覆盖的学科与工具远多于它，它聚焦生信的 6 条组学流水线。它也不是只能在平台里用——作为 skill 可以装进 Claude Code 单独运行；平台版多的是每课题隔离的常驻执行环境、多用户隔离与全程留痕，见怎么选页。

证据，不是形容词

• 自愈：案例一里坐标转换只映射了 24%，它自己查出「位置被写成科学计数法」改成整数重跑到 99.96%；p 值被存成字符串导致三千万个假显著，也是它自己诊断出来的——没有人教。
• 诚实：同一课题全扫 1,915 个血浆蛋白后零蛋白中介，手稿如实写「下游标志物，不是上游中介」，反向分析工具弱就写「工具弱」而不写「无效应」。
• 边界：案例七里它把执行做到发表级，方向层面却三天没有自主质疑一次——门禁拦得住造假，拦不住选错题；这是人不可省的位置。
• 耐力：真实课题中最长单次无中断运行约 26 小时。

那么你要做的是什么

一个真实的时间感

传统路径下从拿到数据到出初稿，大多数人的经验是几个月。在平台上，一个含七条并行证据线、跨六类数据层的对比研究约 26 小时无中断完成；一项 314,805 细胞的多数据集整合加空间转录组课题产出了 6 张主图与完整初稿。但这不等于你两天后就能投稿——你仍需要时间去核实、去想、去修。它省掉的是「让东西跑起来」的那部分，不是「想清楚」的那部分。

这对你意味着什么：写进论文的每个数字都能追溯到一条真实跑过的命令和一个真实存在的文件；AI 想抄近道时会被拦下，而不是被你事后在审稿意见里发现。

• Step 1.5 五维度质量审计：在计算完成、生物学解读开始之前强制插入——样本身份、批次效应、技术质量、生物学合理性、统计假设五个维度，任何 CRITICAL 发现触发 HARD_STOP。
• 数据真实性铁律：禁止数据造假、禁止数据泄漏、禁止静默替换、禁止原始数据进入输出；生成模拟数据属 critical 错误，直接 HARD_STOP。
• 可执行校验器而非“相信 AI”：流程校验器、状态对账器与 17 类一致性检查每轮运行，靠退出码强制执行；稿件检查器含 Crossref DOI 核验。
• 双重独立评审：图表与稿件由全新独立子代理（统计学家 / 领域专家 / 怀疑论者）对抗性复检，而非自我批准。
• 自学习经验库：20 种常见错误模式内置代码级修复方案；超过 2 轮的解决过程自动入库复用。
• SCI 图表知识库 + 视觉审查闭环：732 行图表标准（按样本量选图决策树、8 种错误图表防御、15+ 审稿人必查项）；AI 逐张读图做视觉检查，用户审查门控后才推进。

这对你意味着什么：你只需要在两个闸门（质量审计、审图）出现，其余时间它按同一套流程往前走，做到哪一步随时可查。

自动执行原则：你说“开始分析”后它立即执行，不反问“下一步做什么”；可修复错误自动重试（上限 3 次）；Phase 完成自动推进。但 Step 1.5 的质量审计与 Step 4 的图表审查会停下来等你——这两个闸门不能跳。

这对你意味着什么：细胞类型注释、批次效应这类会决定结论的判断，AI 不会用处理文件重命名的态度敷衍过去。

核心理念：不是所有任务都值得同样的认真程度。文件重命名不需要完整推理链，细胞类型注释则必须。

9 种强制 Ultrathink 场景：细胞类型注释、数据质量审查（Step 1.5）、差异表达解读、生物学结论推导、稿件关键章节、数据验证、聚类分辨率选择、批次效应评估、异常结果判断。

这对你意味着什么：你的数据类型在下表里，就有一条写死了必做步骤与必出图表的标准流程，跳步会被实时告警。

每条流水线定义强制步骤与强制图表清单，实时合规检查：跳过 doublet removal 或批次校正会实时告警，缺失强制图表在 Step 4 前 HARD_STOP。

如实呈现能力边界是框架设计哲学的一部分：它不替代统计训练，不保证代码一次跑通，关键节点会暂停等待用户判断。

已知边界（我们自己实测到的）

• 门禁拦得住模拟数据，拦不住所有编造的派生数字。执行方曾在压力下把一对「看似合理」的数值填进初稿而未真跑，门禁没拦下，是外部逐条核对才揪出——报告里每个数字都要能追溯到命令输出，这一条目前仍要靠人。
• 无人值守不等于无需监督。复杂课题里会「做一步就停」、会报「后台在跑」而进程没起、会静默简化方法——需要能读日志的人持续核验。
• 环境与算力探测可能误判。实测一台有 GPU 的机器被判成 CPU-only。

详见怎么选页第 05 节——公开这些比多列几条卖点更能帮你做决定。

1. 第一步：在平台上打开对话，bio-analyze 已预装，不需要你装任何东西。
2. 第二步：告诉它你的研究问题、数据在哪、目标期刊（或直接交上 bio-design 产出的 TOPIC.yml）。
3. 第三步：说“开始分析”，然后去忙别的。需要你拍板时它会停下来，也可以通过 IM 推送找到你。

/bio-analyze status --verbose        # 查看进度
/bio-analyze continue                # 断点续传，子步骤级恢复
/bio-analyze pipeline show           # 流水线合规状态
/bio-analyze config set analysis.clustering_resolution 0.6 --global
/bio-analyze manuscript check --journal nature
/bio-analyze publish prep            # 投稿包

三层可定制参数：项目层 > 用户全局层 > 插件层，12 个参数域 50+ 参数。把你的偏好（线粒体比例阈值 15%、聚类分辨率 0.6）存为全局默认，新项目自动继承——不是黑箱。